【技术实现步骤摘要】
本专利技术涉及图像去雾，特别是基于弱监督对比学习的4k图像去雾算法。
技术介绍
1、高清视频技术随着社会的进步得以迅速发展，其主要作用是帮助人们在获取视频资源时发现更多细节。“高清”即“高分辨率”，现如今的主流高分辨率有2k（2560×1440）和4k（3840×2160），大大高于以往的模拟图像（最高为d1即720×576）。图像分辨力得到了质的提升，例如在安防行业，无论是实时监控还是事后调查中，视频监控的应用效果得到了进一步的肯定。然而，随着新技术的发展和普及，也会出现一些问题。目前，数字高清图像在真实世界中面临的一个问题是图像在雾霾天气下，细节和对比度会明显下降，图像的有效识别率较低。因此，对在雾霾天气下拍摄的图像进行去雾处理，以积极有效地提升图像质量显得越来越重要。
2、近年来，尽管视频去雾算法取得了显著进展，但仍存在一些问题。首先，雾霾和细节信息都可能导致图像模糊，难以区分，因此在去除雾霾的同时，部分细节信息可能会被削弱，造成细节丢失。其次，利用相邻帧信息进行去雾虽然可以有效减少目标帧中的雾霾影响，但也可能引入相邻帧中的噪声和伪影，降低去雾效果。近年来，基于深度学习的方法——卷积神经网络（cnn）在图像去雾领域取得了显著进展，这些深度学习模型能够通过训练大量数据来学习图像特征，从而实现更准确的细节和雾霾区分，而无需依赖相邻帧信息。
3、然而，深度学习方法也有不足之处。传统的深度学习模型通常参数量大、浮点运算量高、数据吞吐量大、运算逻辑复杂，这些特点导致推理运算需要消耗大量的计算资源，包括浮点运算
4、综上所述，本方案将采用全局特征和局部特征相结合，使其在资源受限、功耗低的边缘设备上提供稳定、准确、快速的超高清去雾功能，从而提高算法的效率和实用性。
技术实现思路
1、本专利技术的目的在于克服现有技术的缺点，提供基于弱监督对比学习的4k图像去雾算法，达到了高分辨率图像去雾算法耗时短，且能够保持高精度去雾效果。
2、本专利技术的目的通过以下技术方案来实现：
3、第一方面，本申请实施例之一提供一种基于弱监督对比学习的4k图像去雾算法，包括以下步骤：
4、s1、图像预备处理；
5、将输入的有雾图像经暗通道先验处理后、再通过大气散射模型进行校正，得到暗通道先验图像；
6、将暗通道先验图像与有雾图像进行加权融合，得到融合图像；
7、s2、生成图像；
8、将融合图像输入u-net卷积神经网络结构中，通过卷积操作进行编码，提取多尺度特征，然后通过解码器逐步恢复图像的空间分辨率，输出复原图像，是指清晰图像；在提取多尺度特征阶段，插入有残差块，并且在残差块的基础上引入sc注意力机制；
9、s3、鉴别图像；
10、将复原图像划分为多个小块，然后通过patchgan鉴别器判断每个小块是否为真实图像的一部分；在网络的训练过程中，采用最小二乘gan精算生成器和鉴别器之间的对空损失，指导生成器生成更真实的去雾图像-即得到初步恢复后的无雾图像；
11、s4、对比学习损失函数；
12、s401、构建正样本、负样本；
13、从输入的有雾图像中随机选择n+1个图像块，从n+1个图像块中一个图像块；从输出的复原图像中找到一个图像块，图像块与图像块的位置相对；有雾图像中随机选择n+1个图像块，除去图像块外，还剩余n个图像块；那么，图像块与图像块组成一对正样本；将图像块与剩余的n个图像块，组成n组负样本；
14、使用带有噪声的对比估计模块来最大化正样本之间的互信息-即、中对应的图像块之间的互信息，具体如下：
15、将复原图像中的图像块作为锚点，将锚点、正样本、负样本映射为k维向量-分别表示为、和；
16、b.计算正样本相对于负样本被选择的概率，该概率通过交叉熵损失来表达
17、
18、其中，表示和之间的余弦相似度；参数是一个温度参数，用于调整锚点和其他样本之间的距离，通常默认设置为0.07；则指代第n个负样本；
19、s402、逐像素对比损失；
20、采用编码器和两个多层感知机网络从输入的有雾图像中提取特征，并将其嵌入到特征堆栈；其中，表示从编码器中全部选中的层数，表示为选定的第层；表示，将图像中选取的样本，输入网络后依次经过编码层的计算获得的特征，经过一层就会有一个特征，这里表示选定第层；表示，已知选择并计算获得了相应层数的特征，然后将相应层数的特征又经过多层感知机网络，然后进行每个样本块计算后就获得了的特征感知结果；是的简单表达；表示一个样本经过选定层的计算后得到的一个特征值；这些特征堆栈代表了不同的图像块；
21、将每个选定层中的空间位置设置为，其中代表每层空间位置的个数；
22、每层选择一个锚点，并将其特征表示为，其中代表每一层的通道数；其中，表示，所有样本经过计算后组成的一个集合，s表示所有样本的数量；
23、将正样本的特征、负样本的特征分别表示为、；其中，表示正样本经过计算后组成的一个集合；s\s表示，在所有样本s中去除正样本s的结果，即全部负样本；表示，所有负样本经过计算后组成的一个集合，因为每一层的特征集合均少计算一个正样本，因此其集合的数据量变为；
24、最终的损失表示为：
25、
26、其中，表示输入和输出图像块之间的映射关系，有n+1个映射关系；
27、s403、逐像素对比损失；
28、通过拍摄获得真实世界的干净图像、通过拍摄获得真实世界的对应的雾霾图像，这些图像是从真实世界的图像中随机选择的、并且彼此之间不配对；
29、生成正负样本对：采用干净图像和初步恢复的无雾图像作为正样本对，使用雾霾图像和初步恢复的无雾图像作为负样本对；
30、损失计算：通过构建像素级自对比感知损失，比较正样本对和负样本对，增强模型的辨别能力；
31、特征提取：引入预训练的vgg-16网络，提取正负样本对的特征映射，以进一步提升图像复原效果；
32、因此，在损失计算中，逐像对比损失被描述为
33、
34、其中，，= 1，2，…表示为imagenet上预训练的vgg-16网络提取的第i个隐藏特征；选择第2，3，5个最大池化层；代表权重系数，分别为0.4，0.6和1；表示一个常数值；公式中的“1”，表示l1范数，也称曼哈顿距离，即向量中各元素的绝对值之和，用于衡本文档来自技高网...
【技术保护点】
1.基于弱监督对比学习的4K图像去雾算法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于弱监督对比学习的4K图像去雾算法，其特征在于：所述的S1包括：
3.根据权利要求2所述的基于弱监督对比学习的4K图像去雾算法，其特征在于：所述的S2包括：
4.根据权利要求3所述的基于弱监督对比学习的4K图像去雾算法，其特征在于：所述的在低分辨率空间中使用9个残差块，提取更为复杂和深度的特征，是指：在残差块的最后，引入SC注意力机制，其分为通道注意力机制、空间注意力机制；
5.根据权利要求3所述的基于弱监督对比学习的4K图像去雾算法，其特征在于：所述的S3，包括：S301、图像划分；
6.根据权利要求5所述的基于弱监督对比学习的4K图像去雾算法，其特征在于：所述的S3中，采用最小二乘GAN损失训练网络，建立损失函数，该损失函数被被表示为：
7.基于弱监督对比学习的4K图像去雾算法的装置，包括处理器，其特征在于：所述处理器用于执行权利要求1~6任一项所述的基于弱监督对比学习的4K图像去雾算法。
8.一种
...【技术特征摘要】
1.基于弱监督对比学习的4k图像去雾算法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于弱监督对比学习的4k图像去雾算法，其特征在于：所述的s1包括：
3.根据权利要求2所述的基于弱监督对比学习的4k图像去雾算法，其特征在于：所述的s2包括：
4.根据权利要求3所述的基于弱监督对比学习的4k图像去雾算法，其特征在于：所述的在低分辨率空间中使用9个残差块，提取更为复杂和深度的特征，是指：在残差块的最后，引入sc注意力机制，其分为通道注意力机制、空间注意力机制；
5.根据权利要求3所述的基于弱监督对比学习的4k图像去雾算法，...
【专利技术属性】
技术研发人员：王曼，宋小民，刘征，姚平，谢超平，杨俊，李怡，虞建，王玮，李子清，吴成志，郑慧明，李毅，孙忠武，邓义斌，王友全，付瑜，王正雄，赵周丽，陆俊，郭竹修，郭建兵，刘彬，张咔，
申请(专利权)人：四川国创新视超高清视频科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。